WikiSkill 提出将智能体执行经验持续沉淀为可复用的持久知识库（wiki），并使技能与知识库协同演化，从而在多种基准与模型上稳定超越现有技能演化方法。
值得关注：与已有脉络相比，本条目的增量在于：WikiSkill 不只关注“技能如何被发现或更新”，而是明确将“持久知识库”作为技能演化的中介和积累层。这不同于 Recuris 以工作记忆跟踪任务状态并门控更新技能记忆的递归回路，…
HarnessLens 提出一种预算感知的自动化智能体框架（harness）演化方法，通过行为相关的选择性验证，在三个智能体框架和四个基准上使平均留出性能提升 7.6%–13.6%，同时显著减少评估预算消耗。
值得关注：已有相关卡片分别涉及身份文档动态全息行为验证、人形机器人人机协作、MoE 模型服务量化；本卡片的增量信息在于：它聚焦语言模型智能体的“框架（harness）”自动化演化，提出按行为相关性分配验证预算的思路，而不是对所有…
当前多模态大语言模型（MLLM）智能体在单点视觉识别和短程空间推理上具有可用能力，但在真实尺度城市中进行持续目标导向探索时，局部感知无法组合成可靠行动，朝向判断、行人感知运动以及错误校正仍然是明显短板。
值得关注：从“看清街景”到“在城市中行动”是空间智能的关键跨越；UrbanGround 尝试把这一差距变成可重复、可测试的闭环实验场景。 它提示了一个容易被单点任务掩盖的问题：即使每个局部能力都可用，长程组合后仍可能发生系统性失…
本文证明：用椭球拟合随机向量时，存在一个由坐标分布的四阶矩决定的尖锐阈值；当样本数低于阈值时，几乎必然存在正定椭球穿过所有数据点，高于阈值时则不存在半正定拟合，并进一步刻画了不可满足区的最优平方拟合误差。
值得关注：该结果属于基础数学/概率理论，但可能影响高维数据分析、鲁棒协方差估计、凸优化可行性判定等应用方向。与已有相关卡片相比，本条纯粹是数学理论进展，不涉及具体优化器、自动驾驶或医学影像，因而不与已有内容重复。
论文通过理论分析和实验揭示，进化策略（ES）作为大语言模型（LLM）推理的后训练范式，能带来比 GRPO 更广的推理覆盖（broader reasoning coverage）：不同于 GRPO 表现出的熵坍缩，ES 在提升 Pass@1 的同时可获得比 GRPO 更高的 Pass@K，因此不应只被看作内存高效但效果较弱的 GRPO 替代方案，而是一个有独…
值得关注：该研究首次系统刻画了 ES 在 LLM 推理后训练中的优化动态和机制，明确了 ES 与 GRPO 的优势边界。相比已有相关卡片中关注 GRPO 信号改进的 AdaPrefix-GRPO，本条目的增量在于：它从种群多样性…
TTPO（Test-Time Policy Optimization）提出了一种无需标签的测试时策略优化方法：用多数投票伪标签代替真值，并采用“不对称”更新——对与伪标签一致的采样结果做同策略自蒸馏（OPSD），对不一致的采样结果用 Grouped RL 进行惩罚，从而在无人工标注条件下提升大模型数学推理能力（据候选摘要，待核实）。
值得关注：现有 RL 和 OPSD 等后训练方法效果强但依赖标签；TTPO 提供了一条“无标签测试时训练”的路径，可能降低对人工标注真值的依赖。 它把“多数投票伪标签”与“不对称蒸馏/惩罚”结合，试图避免错误伪标签对模型全体的误…
LAMA 是一种将广告主影响力直接嵌入大模型生成过程的 token 级广告拍卖机制，在满足激励相容和个体理性的前提下，可接近最优的 KL 正则化社会福利，并在商业搜索查询上初步证明能提升平台福利与收入而不损害回复质量。
值得关注：已有相关卡片多聚焦于 token 级推理协同（PyroDash）、幻觉缓解（ReWEIGH）或 LLM 推理组调度（弹性组）；本卡片的增量在于将 token 级控制用于广告经济学与机制设计，打通生成质量与广告分配。 若…
SWE-Prime 提出一种多粒度、两阶段的监督微调（SFT）数据选择方法，通过对轨迹级和片段级的质量筛选，仅使用完整已解决数据集中10%的轨迹进行训练，即可在SWE-Bench Pro和SWE-Bench Verified上取得优于全量数据训练的模型性能。
值得关注：对“成功轨迹”进行进一步质量筛选，而不是全盘接受，是数据驱动智能体训练中的一个重要纠偏。 在软件工程智能体领域，已有工作如SWE-Pruner Pro聚焦于推理时工具输出剪枝以节省token，而SWE-Prime聚焦于…
JEPA 世界模型中的视觉 Transformer 编码器不必预先分配最大容量，可以从极小的初始结构出发，根据任务复杂度逐次进行宽度或深度扩展，在提高计算与数据效率的同时保持表示质量。
值得关注：这项工作展示了 JEPA 编码器从“固定容量预设”转向“按任务复杂度生长”的可行性，并提供可回滚的测试-验证扩展机制和防坍塌正则化。这意味着在计算资源有限或任务复杂度未知的应用中，可以用小模型起步、按需扩展，避免为简单…
本研究提出一种基于无放回重采样与逆包含概率加权的随机估计算法，用于计算转导语言模型（Transduced Language Models, TLMs）的目标前缀概率，相比阈值剪枝的束求和可大幅降低计算成本，并得到无偏估计。
值得关注：现有 TLMs 的前缀概率近似依赖于阈值剪枝，偏差无法量化。本研究给出无偏估计器，并直接估计剪枝丢失的尾部质量，是首个（据摘要所述）在该任务中结合无放回重采样与递归包含概率修正的方法。相比已有相关卡片涉及的模型可靠性、…
eBay 提出一个两阶段 XGBoost 模型 Stageboost，用于在商品详情页（View-Item, VI）上智能选择要展示的“信号”（简短文本或视觉片段），在线实验显示整体 GMB（Gross Merchandise Bought）提升 0.08%，其中 Parts and Accessories 类目 GMB 提升 0.58%。
值得关注：本文是工业界在“页面信号填充”这一实际推荐问题上的案例：将反事实估计与 XGBoost 结合，在真实电商场景中验证了交易指标提升。相比常见的点击率优化，它直接关注 GMB 等成交指标，且验证了高价值商品对信号展示更敏感…
在大型企业后台员工中，生成式AI使用的“成熟度”与员工资历及职能领域明显相关；战略、数字创新和项目管理三个职能领域的成熟度最高。同时，观察期内未发现成熟度随时间自然提升，正式AI培训也未带来持久改善。
值得关注：这项研究提供了来自真实企业内部、大规模且细颗粒度的GenAI使用现场证据，而不是基于实验或问卷调查。它把关注点从“模型能力”转向“员工实际使用行为的异质性”，对组织采纳AI、培训和绩效管理有直接参考价值。相比已有相关卡…
在生产级社交图谱（1.94亿用户、280亿条边）上，将多哈希ID嵌入作为主要节点表示，并用按时间戳排序的CSR存储加二分查找实现时间邻居采样，使推荐带来的好友添加量提升16%、去重后的添加用户数提升11.5%，同时将ID嵌入表规模压缩超过98%。
值得关注：该工作展示GNN排序系统在真实社交推荐场景中的可落地性，并给出两个影响生产可行性的关键工程选择：多哈希嵌入压缩和高效时间邻居采样。 与只关注模型精度的研究不同，它强调系统开销和数据结构设计：若不解决嵌入表大小和邻接列表…
视觉语言模型（VLM）中存在一类数量很少的注意力头，称为 **Visual Retrieval Heads (VRHs)**，它们负责将文本描述锚定到图像区域，并从图像中提取相应视觉证据；仅屏蔽约 20 个这样的头即可使指代表达定位准确率下降最多 80 个百分点，而屏蔽同样数量的随机头几乎没有影响（待核实）。
值得关注：这是继 LLM 文本检索头之后，首次在 VLM 中提出“视觉检索头”概念，并将“因果性-稀疏性-通用性”三元组从文本检索头扩展到视觉检索（待核实）。 与已有相关卡片的关系： 不同于 **ReToken** 通过添加一个…
RedEvoAgent: Automatic Red-Teaming Agent with Experience-Driven Skill Evolution
本文通过将音乐家表示为80个低层 Essentia 声学描述符的经验分布，并用边际最优传输（Wasserstein）距离衡量两两声学距离，证明专家批评文字中形成的“批评邻接”关系在冷启动、艺术家不相交的划分下可被声学内容部分恢复（样本外 AUC=0.767），且批评共识越强越可恢复（多源共证边 AUC=0.865）。
值得关注：将批评话语引入推荐系统，提供一种较“用户行为”更原则化、较“纯音频内容”更富语义的中间信号。 说明批评邻接可分解为可复现的“声学核心”与“社会学剩余”；这为理解音乐品味中的审美判断与社会建构提供了可量化方法。 本条并非…
MILO 利用大型重建模型（LRM）从单张图像生成几何脚手架，再将该网格分割为人体与物体部分，并分别拟合参数化人体模型和（可选的）物体模板，从而在多个基准上取得优于现有基线的 3D 人-物交互重建精度。
值得关注：提出一种新范式：将 3D HOI 重建从“拟合 2D 观测约束”转向“解释 LRM 生成的三维网格”，利用基础模型学习到的几何先验。 与已有相关卡片（FriendBench、音频语言模型、医疗 LLM）主题不同；本条可…
有影响力的公共话语会影响公众信念，也可能产生误导——这种误导不仅源于陈述的事实，还源于信息的框架、省略、情境化与沟通方式。然而，已有研究较少关注误导性如何产生并影响读者形成的解读。RCMN（Reader-Centric Misleadingness Understanding）为此提出了一个以读者为中心的误导性理解框架。
值得关注：现有虚假信息研究多聚焦事实性造假，而 RCMN 将注意力转向读者的解读过程，以及框架、省略、语气等“怎么说”的维度。它提供了一个可操作的五维框架，并初步展示了轻量级 AI 表示在可扩展误导性分析中的潜力，同时划清了当前…
RATIO 是一个大规模科学文献检索基准，用 Address、Broaden、Specify 三种“创意动作”（ideation moves）重新定义相关性，用于训练和评估能帮助人类与 AI 科学家从文献中获得灵感的检索系统。
值得关注：现有科学文献检索工具多以“主题相关”或“答案匹配”为目标，而科学创新往往需要从文献中获取不同抽象层级的灵感。 RATIO 首次在检索基准中显式建模三种不同类型的创意操作，使检索系统可以按用户的认知需求返回“解法”“推广…
仅凭“首次访问帧与返回帧高度相似”并不能证明视频世界模型记住了场景，因为中间的生成过程可能根本没怎么变化。R2M-Bench 通过同一条 rollout 内的相对校准指标（MemoryGain 与 NMR），把“重访特有的记忆一致性”和“普通时间稳定性”区分开来，更可靠地评估交互式视频世界模型的重访记忆。
值得关注：已有相关卡片多聚焦于训练方法或推理策略（如 Cycle-World 的循环一致性、LDR 的潜在动力学外推），R2M-Bench 则从“评估方法论”切入：它指出了绝对重访相似度的盲区，并提供了同轨迹相对校准的实际方案，…